Penelitian ini menerapkan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa kedua algoritma mampu melakukan prediksi, namun Decision Tree Regression (DTR) memberikan performa yang lebih baik dengan nilai Mean Absolute Error (MAE) sebesar 0,215 dan Root Mean Square Error (RMSE) sebesar 0,241, sedangkan Support Vector Regression memperoleh nilai Mean Absolute Error (MAE)sebesar 0,229 dan Root Mean Square Error (RMSE). sebesar 0,277. Berdasarkan hasil tersebut, Decision Tree Regression (DTR) dipilih sebagai model terbaik karena menghasilkan tingkat kesalahan prediksi yang lebih rendah dan selanjutnya diimplementasikan dalam aplikasi berbasis Streamlit untuk mempermudah proses prediksi persentase penduduk miskin.

S12648

INF 0170 2026

Bekasi

Tersedia